Lógica Fuzzy (Lógica Nebulosa)
Adaptado de material dos profs. Mauro Roisenberg e
Luciana Rech
Lógica Nebulosa
Introdução


Lógica Difusa ou Lógica Fuzzy
 extensão da lógica boolena
 um valor lógico difuso é um valor qualquer no intervalo
de valores entre 0 e 1
As implementações da lógica difusa permitem que estados não
precisos possam ser tratados por dispositivos de controle.
 desse modo, é possível avaliar conceitos não-quantificáveis.
 Casos práticos:
 avaliar a temperatura (quente,morno, frio,etc..)
 sentimento de felicidade(radiante,feliz,apático,triste..)
Introdução


Surgiu com Lofti A. Zadeh, Berkeley (1965).

para tratar do aspecto vago da informação;

1978 – desenvolveu a Teoria das Possibilidades
 menos restrita que a noção de probabilidade

ligar a lingüística e a inteligência humana, pois muitos conceitos
são melhores definidos por palavras do que pela matemática.
É uma técnica baseada em graus de pertinencia (verdade).

os valores 0 e 1 ficam nas extremidades

inclui os vários estados de verdade entre 0 e 1

idéia: todas as inf. admitem graus (temperatura, altura, velocidade,
distância, etc...)
Conjuntos Fuzzy


Na teoria dos conjuntos nebulosos existe um grau de pertinência de
cada elemento a um determinado conjunto.
Conjuntos com limites imprecisos.
Conjunto Fuzzy
Conjunto Clássico
1.0
1.0
.9
.8
Função de
pertinência
.5
1.75
Altura
(m)
1.60 1.70 1.75
A = Conjunto de pessoas altas
Altura
(m)
Conjuntos Fuzzy


Um conjunto fuzzy A definido no universo de discurso X é caracterizado
por uma função de pertinência A, a qual mapeia os elementos de X
para o intervalo [0,1].
A:X[0,1]
Desta forma, a função de pertinência associa a cada elemento x
pertencente a X um número real A(x) no intervalo [0,1], que representa
o grau de pertinência do elemento x ao conjunto A, isto é, o quanto é
possível para o elemento x pertencer ao conjunto A.


A função de pertinência A(X) indica o grau de compatibilidade entre x e
o conceito expresso por A:

A(x) = 1 indica que x é completamente compatível com A;

A(x) = 0 indica que x é completamente incompatível com A;
 0 < A(x) < 1
indica que x é parcialmente compatível com A, com
grau A(x) .
crisp
 pode ser visto como um conjunto nebuloso específico (teoria de
conjuntos clássica)

A {0,1} pertinência do tipo “tudo ou nada”, “sim ou não” e não
gradual como para os conjuntos nebulosos
Função característica do conjunto “crisp”
Conjuntos Fuzzy

Definição formal

Um conjunto fuzzy A em X é expresso como um conjunto de pares
ordenados:
A  {( x ,  A ( x )) | x  X }
Conjunto
fuzzy
Função de
pertinência
Universo ou
Universo de discurso
Um conjunto fuzzy é totalmente caracterizado
por sua função de pertinência.
Lógica Fuzzy
Fundamentos

Representações
 Funções de pertinência representadas em computador
podem ser:
 contínuas ou discretas.
 No caso contínuo, a função de pertinência é uma função
matemática, possivelmente um programa.
 No caso discreto, a função de pertinência e o universo são
pontos de uma lista (vetor).
Universo Discreto

não ordenado)

C = “Cidade desejável para se
viver”

C = {(SF, 0.9), (Boston, 0.8),
(LA, 0.6)}
(a) Universo Discreto
1
0.8
Grau de Pertinência
X = {SF, Boston, LA} (discreto e
0.6

X = {0, 1, 2, 3, 4, 5, 6} (discreto)

0.4
0.2

0
0
2
X = Número de filhos
4
6
A = “Número de filhos
razoável”
A = {(0, .1), (1, .3), (2, .7), (3,
1), (4, .6), (5, .2), (6, .1)}
Universo Contínuo

(b) Universo Contínuo
Grau de Pertinência
1
X = (Conjunto de
números reais positivos)
(contínuo)
0.8
0.6

0.4
0.2
0
0
50
100
X = Idade
 B(x) 
1
 x  50 
1 

 10 
2

B = “Pessoas com idade
em torno de 50 anos”
B = {(x, B(x) )| x em X}
Operações sobre conjuntos fuzzy



Uma sentença modificada pela palavra “não” é dita “negação”
da sentença original.
 NÃO-fuzzy(x) = 1 - x
A palavra “e” é usada para juntar duas sentenças formando
uma “conjunção” de duas sentenças.
 E-fuzzy(x,y) = Mínimo(x,y)
De maneira similar a sentença formada ao conectarmos duas
sentenças com a palavra “ou” é dita “disjunção” das duas
sentenças.
 OU-fuzzy(x,y) = Máximo(x,y)
Operadores Fuzzy


Suponha que desejássemos representar de forma fuzzy a altura de Alice
(1,65 m), Bob (1,75 m), Carlos(2,0m) e Denise(1,45 m). Nossas
proposições serão da forma "X é alto", e serão:

A = Alice é alta, μ(A)=0,55

B = Bob é alto, μ(B)=0,75

C = Carlos é alto, μ(C) = 1,0

D = Denise é alta, μ(D) = 0,0
Usando os operadores fuzzy, podemos escrever sentenças como:

Carlos não é alto, NÃO(C), μ(NÃO(C))= 1,0 - μ(C) = 0,0

Bob não é alto, NÃO(B), μ(NÃO(B))= 1,0 - μ(B) = 0,25

Denise é alta e Alice é Alta, D e A, μ(D e A)= mínimo (μ(D), μ(A)) =0,0
20
Sistemas Fuzzy

Sistema de controle fuzzy baseado no modelo de Mamdani.
Componentes do sistema



Definição das variáveis fuzzy de entrada e de saída: forma e
valores das variáveis
Regras fuzzy
Técnica de defuzzificação
Definição as variáveis



Etapa na qual as variáveis lingüísticas são definidas de forma subjetiva, bem como
as funções membro (funções de pertinência)
Engloba

Análise do Problema

Definição das Variáveis

Definição das Funções de pertinência

Criação das Regiões
Na definição das funções de pertinência para cada variável, diversos tipos de espaço
podem ser gerados:

Triangular, Trapezoidal, Gaussiana, ...
23
Exemplos de variáveis fuzzy
TRAPEZOIDAL
TRIANGULAR
1
1
Frio
Normal Quente
Lento
Rápido
24
Regras Fuzzy
SE condição
ENTÃO conclusão,
com variáveis linguísticas (fuzzy)
Exemplo:
Se a fruta é verde então o gosto é azedo
Se a fruta é amarela então o gosto é pouco-doce
Se a fruta é vermelha então o gosto é doce
Defuzzificação


Etapa no qual as regiões resultantes são convertidas em valores para
a variável de saída do sistema
Esta etapa corresponde a ligação funcional entre as regiões Fuzzy e o
valor esperado.

converte as variáveis fuzzy em valores numéricos ou aceitáveis
pelo sistema.
27
Técnica de Defuzzificação

Dentre os diversos tipos de técnicas de defuzzificação, pode-se
citar:
 Centróide

O valor de saída é o centro da gravidade da função de
distribuição da possibilidade da ação de controle.
28

Método do Primeiro dos Máximos
 Encontra o primeiro ponto entre os valores que tem o maior
grau de pertinência inferido pelas regras.

Método da Média dos Máximos
 Encontra o ponto médio entre os valores que tem o maior
grau de pertinência inferido pelas regras.
30
Técnicas de Defuzzificação
Exemplos:
z0
Centróide
z0
Primeiro dos
máximos
z0
Média dos
Máximos
Etapas do Raciocínio
Variáveis Calculadas
(Valores Linguísticos)
Nível
Linguístico
Inferência
Variáveis de Comando
(Valores Linguísticos)
Fuzzificação
Defuzzificação
Nível
Numérico
Variáveis Calculadas
(Valores Numéricos)
Objeto
Variáveis de Comando
(Valores Numéricos)
Fuzzificação


Etapa na qual os valores numéricos são
transformados em graus de pertinência para
um valor lingüístico.
Cada valor de entrada terá um grau de
pertinência em cada um dos conjuntos difusos.
O tipo e a quantidade de funções de
pertinência usados em um sistema dependem
de alguns fatores tais como: precisão,
estabilidade, facilidade de implementação...
INFERÊNCIA: Avaliação das regras

Cada antecedente (lado if) tem um grau de
pertinência. A ação da regra (lado then)
representa a saída nebulosa da regra.
Durante a avaliação das regras, a
intensidade da saída é calculada com base
nos valores dos antecedentes e então
indicadas pelas saídas nebulosas da regra.
INFERÊNCIA: Agregação das Regras



São as técnicas utilizadas na obtenção de
um conjunto difuso de saída “x” a partir da
inferência nas regras.
Determinam quanto a condição de cada
regra será satisfeita.
Para cada variável fuzzy de saída,
considera o resultado de todas as regras.
Por exemplo, considerando a pertinência
máxima das regras para cada valor da
variável.
Defuzzificação

Processo utilizado para converter o
conjunto difuso de saída em um valor crisp
correspondente.

Alguns métodos de defuzzificação:





Centróide,
Média dos máximos,
Primeiro dos máximos,
Último dos máximos,
etc.
Um exemplo



1.
2.
3.
Objetivo do sistema:

um analista de projetos de uma empresa que determina o risco de um
determinado projeto
Variáveis de entrada:
 quantidade de dinheiro e de pessoas envolvidas no projeto
Base de conhecimento
Se dinheiro é adequado ou pessoal é baixo então risco é pequeno
Se dinheiro é médio e pessoal é alto, então risco é normal
Se dinheiro é inadequado, então risco é alto
Problema a ser resolvido: dinheiro = 35% e pessoal = 60%
37
Inferência Fuzzy: Um exemplo

Passo 1: Fuzzificar
Dinheiro
Pessoal
.75
.8
.25
.2
60
35
Inadequado
Adequado
Médio
 i ( d )  0, 75 &  m ( d )  0, 25
Baixo
Alto
 b ( p )  0 , 2 &  a ( p )  0 ,8
38
Inferência Fuzzy: Um exemplo

Regra 1:
Passo 2: Avaliação das regras
 OU  máximo
E  mínimo
0,2
Adequado
0,0
Risco
ou
Baixo
Regra 2:
Risco
0,8
médio
0,25
e
Alto
39
Inferência Fuzzy
Regra 3:
Risco
0,75
Inadequado
40
Inferência Fuzzy

Passo 3: Defuzzificação
Risco
pequeno
normal
alto
0,75
0,25
0,20
10 20 30 40 50 60 70 80 90 100
C
(10  20  30  40 ) * 0 , 2  ( 50  60  70 ) * 0 , 25  (80  90  100 ) * 0 , 75
0 , 2  0 , 2  0 , 2  0 , 2  0 , 25  0 , 25  0 , 25  0 , 75  0 , 75  0 , 75

267 ,5
 70 , 4
3 ,8
41
Outro exemplo
O sistema tem como objetivo determinar a gorjeta que um
cliente deve dar.

Esse sistema possui três variáveis (serviço, comida e gorjeta).
As variáveis comida e serviço são variáveis de entrada e gorjeta é
a variável de saída.

Ex. Aplicações

Copiadora Canon ajusta a voltagem do tambor baseado na
densidade da imagem, temperatura e umidade.

Secadora de roupa Matsushita ajusta a estratégia do tempo de
secagem baseado no tamanho da carga e tipo de tecido


Lavadoras de roupa (Daewoo, Goldstar, Hitachi, Matsushita,
Samsung, Sony, Sharp, etc.) ajustam a estratégia de lavagem,
baseado no nível sujeira, tipo de tecido, na quantidade de
roupa, e nível d’água.
Etc.
Bibliografia




Terano, T., Asai, K., Sugeno, M. - Fuzzy Systems Theory and its
Applications - Editora Academic Press, 1992 (ISBN: 0126852456)
Driankov, Dimiter - An introduction to fuzzy control - Editora SpringerVerlag , 1996 (ISBN: 3540606912)
MAMDANI, E. H. Aplications of fuzzy algorithms for control of simple
dynamic plant. Proc. IEEE 121, vol. 12, p. 1585-1588, 1973.
SUGENO, M.. An introductory survey of fuzzy control. Information
Sciences 36, p. 59-83, 1985.
Download

Sistemas Fuzzy